模式识别作业模式识别论文阅读报告.docx

模式识别作业模式识别论文阅读报告.docx

《模式识别作业模式识别论文阅读报告.docx》由会员分享，可在线阅读，更多相关《模式识别作业模式识别论文阅读报告.docx（2页珍藏版）》请在冰豆网上搜索。

模式识别作业模式识别论文阅读报告

模式识别论文阅读

报告

一．基本思想和算法思路

我阅读的文章是“ImageSegmentationUsingFuzzyC-Means”，其基本思想和算法总结如下：

彩色图像分割是许多计算机视觉问题的基本任务。

一种常见的方法是用模糊迭代聚类算法提供一个分区的像素到一个给定的聚类数。

然而，大多数这些算法目前的一些缺点：

他们耗费时间，对初始化和噪声敏感。

在本文中，我们提出了一种新的模糊C均值聚类算法针对这种缺陷校正。

它依赖一个新的有效的聚类中心初始化，并且颜色量化允许更快和更准确的收敛等，它适用于部分非常大的彩色图像。

由于颜色量化一种新的空间正则化，建议算法是更强大。

在真实的实验图像显示的精度方面的效率随着所提出的算法的计算时间比较文学的新方法。

图像分割是指合并到同一像素具有相似的特征组，或区域。

分割图像，然后不同的团体的联盟，在像素的均匀对同一组相关的区域。

许多技术已在文献中提出的，颜色，纹理和边缘特征用来描述每一组[8]。

只有灰度图像由早期的分割方法考虑。

彩色图像，成为更广泛的规范应用范围（如地理成像，医学影像，或视频监控），归功于在彩色技术和计算的进步电力，彩色图像分割的兴趣技术的发展。

其中，重点在聚类的方法，尤其是模糊C均值算（FCM，[3]），这是用许多分割方法[1，13，5，22，12]。

然而，该算法需要初始化的中心每个簇[10]，和是众所周知的顽固性非常大的数据集，如彩色图像。

在这本文中，我们提一种新的有效的初始化算法尤其是专用于图像的问题分割。

此外，我们引入了一个新的模糊迭代算法允许快速分割图像。

本文的组织如下。

第二节首先回忆的一些基本知识，对迭代聚类算法，针对模糊的方法。

然后，提出了一种新的聚类中心初始化，随着一些数值例子显示出其精度和收敛效率

速度。

各种算法将空间加快注意事项在3节，以及新的量化的模糊C-均值（QFCM）算法。

数值实验显示QFCM优势相比国家的最先进的基于FCM的图像分割方法在第4节中给出。

最后，一些结论和观点得出在5节。